scikit-learn

ML

Maschinelles Lernen

Übersicht scikit-learn

Scikit-learn ist Pythons beliebteste Bibliothek für maschinelles Lernen. Es bietet einfache und konsistente APIs für Klassifizierung, Regression, Clustering, Dimensionsreduktion, Modellauswahl und Vorverarbeitung. Scikit-learn ist der Ausgangspunkt für praktisch jedes maschinelle Lernprojekt in Python.

PyRununterstütztscikit-learnals Teil derPyodide-Distribution, was bedeutet, dass Sie Klassifikatoren trainieren, Genauigkeitswerte berechnen und ML-Algorithmen vollständig in Ihrem Browser erkunden können. Es ist ein leistungsstarkes Lehrmittel – führen Sie den Iris-Klassifikator aus, experimentieren Sie mit Hyperparametern und sehen Sie sich Ergebnisse an, ohne ein Cloud-Notizbuch zu benötigen.

Code- und Ausführungsausgabe

Trainieren Sie einen Random Forest auf dem Iris-Datensatz.

Scikit-learn ClassifierIm Editor ausführen
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report

iris = load_iris()
X, y = iris.data, iris.target

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42
)

clf = RandomForestClassifier(n_estimators=50, random_state=42)
clf.fit(X_train, y_train)

preds = clf.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, preds):.2%}\n")
print("Classification Report:")
print(classification_report(y_test, preds, target_names=iris.target_names))

Verwandte Pakete

Empfohlene Python-Ressourcen

Erweitern Sie Ihr Wissen mit zugehörigen interaktiven Tutorials, Spickzetteln und Codevergleichen.